Эта структура решает растущую проблему в AI-сообществе: быстрое распространение агентных инструментов затрудняет разработчикам определение наилучших решений для их конкретных нужд. Эта сложность может привести к параличу анализа, препятствуя инновациям и замедляя разработку новых приложений на основе AI.

Исследователи выделили два основных измерения для классификации агентных фреймворков: адаптация агента и адаптация инструмента. Адаптация агента включает в себя модификацию базовой модели, лежащей в основе агентной системы. Это может быть достигнуто путем обновления внутренних параметров или политик агента с помощью таких методов, как тонкая настройка или обучение с подкреплением. Адаптация инструмента, с другой стороны, фокусируется на модификации инструментов, которые агент использует для взаимодействия с окружающей средой. Это может включать в себя создание новых инструментов, модификацию существующих инструментов или разработку стратегий для эффективного использования агентом доступных инструментов.

По словам исследователей, это переосмысление смещает акцент для корпоративных команд с простого выбора модели на принятие архитектурных решений. Эти решения включают в себя определение того, как распределять бюджеты на обучение, какую степень модульности поддерживать и на какие компромиссы идти между стоимостью, гибкостью и риском.

Рост агентного AI отражает более широкую тенденцию к созданию более автономных и интеллектуальных систем. Агентные AI-системы предназначены для восприятия окружающей среды, рассуждения о своих целях и принятия мер для достижения этих целей. Эти системы обладают потенциалом для революционного преобразования различных отраслей, включая здравоохранение, финансы и транспорт. Однако сложность разработки и развертывания агентных AI-систем представляет собой серьезную проблему.

Новая структура направлена на решение этой проблемы путем предоставления структурированного подхода к пониманию и навигации в ландшафте агентного AI. Классифицируя фреймворки на основе их стратегий адаптации, исследователи надеются дать разработчикам возможность принимать более обоснованные решения и ускорить разработку инновационных AI-приложений. Исследование также подчеркивает важность учета компромиссов между различными подходами, такими как стоимость обучения модели и гибкость использования модульной системы. Исследователи планируют продолжить совершенствование структуры и изучение новых измерений для классификации агентных AI-систем. Они также надеются на сотрудничество с отраслевыми партнерами для проверки структуры в реальных приложениях.